墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
256平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
低代码（运行时产品）
扁平的：就像在一个平面上，不断去堆积新的应用，在平面内扩展。
预制的：由于已经有预制了一些系统和方案，本身扩展的的能力以及能够开发的应用场景受限。
受限的：逻辑通过“工作流”引擎实现，效率不高；应用不断对接，运行变慢；应用更无法导出。
适合：短平快小型应用快速搭建，特别是企业内部典型几个场景（BI、工作流、表单等）。
iVX（图形化编程语言+IDE+生成式AI）
立体的：IDE和图形化编程语言结合，通过“面向组件编程”的方式，直接生成应用源代码。
开放的：IDE开发完后，可以导出任何应用和组件，包括“独立部署包”、“源代码”、“VLang”。
几乎没限制：应用类型和场景丰富，几乎相当于 React/Vue + Java 的能力合集，而且面向组件编程，学习、开发、运维门槛都大大降低。
生成式AI加持：当前已经有大量 AI组件加入，接下来，马上退出 “AI生成应用”、“AI生成组件”、“导入设计图生前端”... 等生成式 AI 能力，敬请期待。
iVX ：图形化编程语言 + IDE，非 “代码平台”
OutSystems 虽然提供了丰富的文档和培训资源，但涉及高级功能开发时，仍需要开发者具备一定的编程思维和知识储备，而国内一些平台的学习资源相对匮乏，不利于开发者深入学习。iVX 以 React 实现的 Web 应用为核心，通过不同打包技术输出到各平台：左起，通过 WebView 容器适配其他平台的小程序，通过专用编译器适配微信小程序，通过 React Native 打包为 iOS/Android 原生应用，通过 Electron 打包为 Windows 桌面应用。，应用难以迁移，灵活性受限。
iVX低代码平台系列制作APP简单的个人界面
我们知道，目前市场上开发app或者小程序这些应用，都离不开一个个人界面，就是类似下面的这种界面，我们可以利用iVX低代码平台来开发，简单快速，如果还有不知道iVX低代码平台是啥的，猛戳这里:关于ivx当前，小伙伴还可以点击这里进去我们没花多少时间就开发出一个非常丝滑的页面，也就是不到10分钟，如果是原生开发的话，这个界面至少需要半个工作日时间，所以利用ivx能节省人力成本。
一句话说清楚“iVX和其它低代码的区别”
iVX和其他低代码的区别其实就是：iVX做的是“开发态”，拖拽生成全栈代码；其它低代码平台做的是“运行时”，配置生成应用。 “是否生成应用源代码？”概括了“技术路线”的根本差异，同时包含了很多信息。
走进低代码平台| iVX-困境之中如何突破传统
高级编程语言诞生已经过去了大半个世纪了，在我们看来，什么都在进步，但是编程语言的发展却有些缓慢了。虽然现在语言更加丰富，框架更多，但是最基本的编程方式还是没有任何改变，就是“写代码”，其实在英文中“Programming”和“Coding”是两个单词，有没有可能，我们只“编程”而不“写代码”？
使用ivx开发web全栈项目 初探（一）
一、前言 本人是一枚喜欢探索黑科技的web前端，没事喜欢研究研究框架，了解网络技术/工具等等。最近在研究saas和paas的时候在知乎专栏有大佬提到了一款在线页面编辑系统——ivx。看到这里在做的大佬估计表示不屑，不就是在线编排h5的工具网站嘛，这种东西国内不多得是：135编辑器、秀米、易点，大同小异都是集成的富文本编辑器，允许你使用封装好的事件触发器、动画效果、自定义css样式，感觉没什么技术含...
9 海康视觉平台VisionMaster 上手系列：典型案例之螺丝机案例
海康视觉平台VisionMaster 上手系列：典型案例之螺丝机案例 快速入门 工业机器视觉 机器视觉
iVX低代码平台系列详解 --界面功能(一)
iVX低代码深入学习：https://www.ivx.cn?extend=baidaguoiVX系列教程持续更新中 系列文章可看： iVX低代码平台系列详解 – 概述篇(一) iVX低代码平台系列详解 – 概述篇(二) iVX低代码平台系列详解 – 概述篇(三) iVX低代码平台系列详解 – 系统架构组件栏具有以下功能特性：我们可以通过鼠标悬浮任意一个组件，来查看其相应的文档： · 对象树 对象树是进行对象管理的重要窗口。当前开发环境中添加的每种组件都会被对象树记录，以树状结构进行可视化的展示，例如下图：
Pycharm环境配置完整教程
本文主要介绍python解释器安装、Pycharm环境配置以及运行第一个程序的零基础的教程，即使是python小白也能正确配置相应的python学习环境哦！
iVX低代码平台系列制作简单的注册界面
iVX逻辑上相对是比较简单的 所以初学者的话只需要从逻辑和具体功能入手即可快速上手进行开发 甚至有一些设计师、文科专业毕业生也可以快速学习和掌握iVX开发，ivx可以极大地节省人力、工期等开发成本 从而打到快速开发的目的。3、跨平台技术（react native、flutter、uniapp），研发人员学习成本比较大，而且周期长，还要了解各个端之间的差异，其实前期投入成本不比原生周期短，而且后期维护成本太高了。自己操作起来非常简单，很快速就完成了一个注册页面，妈妈再也不担心我写代码的问题了。
mot_challenge官方评估代码
mot_challenge官方代码使用介绍 评估mot17验证集：每个视频序列的后一半帧作为验证集 下载源码：git clone https://hub.fastgit.org/JonathonLuiten/TrackEval.git 官网上下载data样例，放在TrackEval/下，结构如下： data |-- gt | |-- bdd100k | |-- davis | |-- kitti | |-- mot_challenge | | |-- MOT15-train |
前端开发学习--登录和注册页面设计（html和css，可完成两个页面点击切换）
今天学习了登录和注册页面的设计，主要是HTML和CSS部分，注册和切换采用了Js代码进行，后面将通过js进行填写内容的验证，进而可通过JSP跳转到Servlet进行DAO数据的校验，这属于后端部分了。 总体设计思路：整个页面设计可以分为主体（content）、头部（content-header）、内容（content-body）三个部分组成，其中是主体是根部，包含了头部和内容，头部和内容各自下设两...
低代码平台之争：CodeWave VS iVX，谁更胜一筹？
iVX 是一套全新的“通用无代码”方案，并未沿用常见的低代码方案，在保证自身开发逻辑“图灵完备”的基础上，实现了对现有代码资源的整合运用，既可以和现有的代码进行衔接，实现完整功能，又可以凭借可视化的操作，无需代码完成各项指令。显然，iVX 是一款面向开发者设计的产品，全栈代码生成，可视化逻辑编排，二次代码开发和自由部署，都暴露出其想要成为新一代编程语言的野心，开放和包容，是它最大的特点，注册过程也比较简单，提供手机号验证码即可。CodeWave 的逻辑面板则略显复杂，操作起来很多情况下比写代码要慢。
Android 集成 Google 与 Facebook 第三方登录实战详解（2024版）
本文详细介绍了2024年Android应用集成Google与Facebook第三方登录的完整实战指南。通过分步教程和代码示例，帮助开发者快速实现一键登录功能，提升用户体验和注册转化率，同时涵盖隐私合规和常见错误处理的最佳实践。
推荐一款C端的低代码产品
学完这款低代码，亲自和HR谈薪资
图形化界面无限转圈？CentOS 7的SELinux避坑指南（附命令行修复实录）
本文详细解析了CentOS 7图形界面启动时无限转圈或卡在'starting switch root'的故障原因，主要与SELinux安全策略冲突有关。提供了三种修复方案：临时禁用SELinux、重装策略包和精细调整策略，并分享了长期维护建议，帮助用户平衡系统安全性与可用性。
多模型动态路由（Fusion）：从“算力霸权”到“架构分权”的工程范式转型
多模型动态路由（Multi-Model Dynamic Routing）是指在多个大语言模型之间，根据请求特征、资源约束和业务目标，动态选择最优模型或模型组合的技术范式。传统网关擅长管理请求流量，但不理解“任务类型”。而AI路由层需要对每个请求进行语义理解、能力匹配和成本评估。从“算力霸权”到“架构分权”，这不是技术的线性演进，而是工程范式的根本转型。过去三年，开发者的核心能力是“选对模型”——在GPT、Claude、Gemini之间做出正确选择。
数字化新星何为低代码？何为无代码
码是一类新兴的数字化产品，受到越来越多厂商和用户的青睐。低代码刚出现的时候，市场概念相对朴素，用户较容易理解。各类厂商入局后，为了提升差异化竞争能力，纷纷提出各种概念，例如表单驱动、模型驱动、数据驱动、工作流引擎等。2022年，海比研究院研究显示，“难以理解低代码/无代码” 的用户正在大幅上升，用户对于产品的选型和使用表示更加困惑。基于此，海比研究院将对低代码无代码市场展开深度研究，致力于为CIO解决“怎么选低代码无代码”和“怎么用低代码无代码”两大难题。低代码与无代码存在着本质的区别。首先要讨论这个问题，
Qt for WebAssembly环境搭建
一、前言 二、Ubuntu 1、在线安装Qt15 在线安装下载器：https://download.qt.io/official_releases/online_installers/ 安装时记得勾选WebAssembly，如下： 2、安装依赖 # Install Python sudo apt-get install python2.7 # Install CMake (optional, only needed for tests and building Binaryen) sudo apt
iVX和低代码有什么关系？
iVX和代码是“充分非必要”的关系，代码在iVX中的各个地方都可以使用，包括：自定义组件、JS函数、CSS、HTML、Java、SQL、以及各种SDK。本申明的目并不是评判“谁高谁低”，每一种技术都有其符合自身使用的场景。低代码也有很多适合的使用场景，也许在其适合的场景中，低代码还要更便捷一些。iVX涉及编程语言设计、编译器/解释器、各种框架/语义/语法转化、图形化IDE、iVX只负责生成代码，和运行时资源解耦（运行时资源由“公有云”“私有云”提供）具备“代码生成能力”，则能“往前兼容”，
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
iVX低代码平台系列详解 --界面功能(一)_ivx svg代码，使用指南
舞台上的内容为我们添加的所有组件构成的树形结构的具体展示，我们可以在舞台上找到每一个处于显示状态的组件并且通过点击来选中该组件，选中也直接反馈到对象树和属性面板——对应的组件会在对象树中被选中，同时属性面板切换为被点击的组件的属性面板。舞台中的元素处于相对定位环境时，位置相对固定，只能通过外边距来进行位置的调整；在相对定位的环境下，层级关系影响到的是两个对象之间的位置关系，层级处于对象树更下方的对象按照对象所处容器的排列方式排列在更前面（图中在前台下的正常排列从上到下，对象层级在下方的会显示在更上面）。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
将所有能力汇聚于一点，这就是“iVX编程盒子”
iVX，可以理解为一种可视化的“全栈代码生成器”，而且这种“代码生成”做得相当彻底，几乎所有应用都可以通过iVX在不写任何代码的情况下进行“自动代码生成”。iVX平台研发难度极大，涉及技术领域也非常广，在全球领域能自动生成全栈代码的，应该就这一家了。虽然，市面上包括很多媒体都把iVX定义为“低代码”平台，但实际上，iVX和市面上其它“低代码/无代码”平台无论是“技术架构”、“实现方法”、“用户体验/操作”、“产品目的”都完全不一样。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
iVX：AI 时代的编程革命来了！
比如，想做个聊天机器人？别担心，iVX 已经把 GPT-4 封装成了 “会说话的方块”，拖过来连上线，再配个 UI 界面，半小时就能上线。最神奇的是，你可以直接跟它对话：“在支付流程里加个指纹验证”，它会自动找到对应的逻辑节点，帮你完成插入。想象一下这样的场景：一个医学专家想做个 AI 诊断工具，他不需要学 Python，只需要在 iVX 里拖拽 “医学影像识别” 组件，再连上线，就能生成完整的应用。它让代码从 “字符地狱” 变成了 “可视化游乐场”，让 AI 从 “黑箱模型” 变成了 “可触摸的组件”。
ivx零代码设计逻辑
【iVX从何而来】 任何生产力的进步，都不是一帆丰顺的，iVX作为一款全新的“生产力”工具，也准备好迎接各种挑战！ 蒸汽机车被发明的时候，被马车夫鄙视； 流水线发明的时候，被手工业者抵制； 而移动支付，更是让门口的工行营业厅关门，当然也端了小偷的饭碗。 任何革命性的创新和发明，都会伴随新一轮的分工和社会的进步，同时也会给原有社会分工的既得利益者带来挑战。 iVX本质上就是编程领域的一种创新和发明，是互联网IT开发领域的一场“革命”！ “去掉程序语法，保留程序逻辑”，也许有百万人有过这种想法，认真思考过如何实
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1073
扫一扫
